GRADE指南 30:评估模型证据确定性的 GRADE 方法——健康决策背景下的概述

2021-11-10 GRADE工作组 GRADE工作组 发表于上海

目标:本研究的目标是介绍“建议评估、制定和评价分级” (GRADE) 概念方法,用于评估建模研究的证据确定性(即与模型输出相关的确定性)。

中文标题:

GRADE指南 30:评估模型证据确定性的 GRADE 方法——健康决策背景下的概述

英文标题:

GRADE Guidelines 30: the GRADE approach to assessing the certainty of modeled evidence—An overview in the context of health decision-making

发布机构:

GRADE工作组

发布日期:

2021-11-10

简要介绍:

目标:本研究的目标是介绍“建议评估、制定和评价分级” (GRADE) 概念方法,用于评估建模研究的证据确定性(即与模型输出相关的确定性)。

研究设计和设置:专家咨询和国际多学科研讨会为在系统评价、卫生技术评估和医疗保健决策的背景下评估模型证据确定性的概念方法的制定提供了信息。讨论还澄清了 GRADE 方法和建模社区使用的选定概念和术语。来自建模和医疗保健领域的专家的反馈解决了该方法的内容有效性问题。

结果:研讨会参与者一致认为,在评估模型证据的确定性时,先前在 GRADE 方法中确定的确定证据确定性的领域(偏倚风险、间接性、不一致性、不精确性、报告偏倚、效应量级、剂量反应关系和残余混杂方向)也适用。评估取决于模型输入和模型本身的性质,以及评估的是来自单个模型还是多个模型的证据。我们提出了一个从模型中选择最佳可用证据的框架:1) 从头开发特定于感兴趣情况的模型,2) 确定现有模型,该模型的输出为感兴趣情况提供最高确定性证据,无论是“现成的”还是经过调整的,3) 使用来自多个模型的输出。我们还提供了首选术语的摘要,以促进建模和医疗保健学科之间的交流。

结论:这种概念性 GRADE 方法提供了一个框架,用于在健康决策中使用来自模型的证据以及评估来自一个或多个模型的证据确定性。GRADE 工作组和建模社区目前正在制定详细的方法和相关指南,以评估跨医疗保健相关学科(例如,治疗决策、毒理学、环境健康和卫生经济学)的模型证据确定性的特定领域。

相关资料下载:
[AttachmentFileName(sort=1, fileName=nihms-1679871.pdf)] GetToolGuiderByIdResponse(projectId=1, id=a18561c00a026876, title=GRADE指南 30:评估模型证据确定性的 GRADE 方法——健康决策背景下的概述, enTitle=GRADE Guidelines 30: the GRADE approach to assessing the certainty of modeled evidence—An overview in the context of health decision-making, guiderFrom=GRADE工作组, authorId=0, author=, summary=目标:本研究的目标是介绍“建议评估、制定和评价分级” (GRADE) 概念方法,用于评估建模研究的证据确定性(即与模型输出相关的确定性)。, cover=https://img.medsci.cn/20241105/1730794303554_8538692.jpg, journalId=0, articlesId=null, associationId=1426, associationName=GRADE工作组, associationIntro=GRADE Working Group, copyright=0, guiderPublishedTime=Wed Nov 10 00:00:00 CST 2021, originalUrl=, linkOutUrl=, content=<p>目标:本研究的目标是介绍&ldquo;建议评估、制定和评价分级&rdquo; (GRADE) 概念方法,用于评估建模研究的证据确定性(即与模型输出相关的确定性)。</p> <p>研究设计和设置:专家咨询和国际多学科研讨会为在系统评价、卫生技术评估和医疗保健决策的背景下评估模型证据确定性的概念方法的制定提供了信息。讨论还澄清了 GRADE 方法和建模社区使用的选定概念和术语。来自建模和医疗保健领域的专家的反馈解决了该方法的内容有效性问题。</p> <p>结果:研讨会参与者一致认为,在评估模型证据的确定性时,先前在 GRADE 方法中确定的确定证据确定性的领域(偏倚风险、间接性、不一致性、不精确性、报告偏倚、效应量级、剂量反应关系和残余混杂方向)也适用。评估取决于模型输入和模型本身的性质,以及评估的是来自单个模型还是多个模型的证据。我们提出了一个从模型中选择最佳可用证据的框架:1) 从头开发特定于感兴趣情况的模型,2) 确定现有模型,该模型的输出为感兴趣情况提供最高确定性证据,无论是&ldquo;现成的&rdquo;还是经过调整的,3) 使用来自多个模型的输出。我们还提供了首选术语的摘要,以促进建模和医疗保健学科之间的交流。</p> <p>结论:这种概念性 GRADE 方法提供了一个框架,用于在健康决策中使用来自模型的证据以及评估来自一个或多个模型的证据确定性。GRADE 工作组和建模社区目前正在制定详细的方法和相关指南,以评估跨医疗保健相关学科(例如,治疗决策、毒理学、环境健康和卫生经济学)的模型证据确定性的特定领域。</p>, tagList=[TagDto(tagId=497885, tagName=GRADE指南)], categoryList=[CategoryDto(categoryId=85, categoryName=指南&解读, tenant=100), CategoryDto(categoryId=248, categoryName=临床研究, tenant=100)], articleKeywordId=83140, articleKeyword=grade, articleKeywordNum=6, guiderKeywordId=497885, guiderKeyword=GRADE指南, guiderKeywordNum=6, haveAttachments=1, attachmentList=null, guiderType=0, guiderArea=指南, guiderLanguage=1, guiderRegion=10, opened=0, paymentType=, paymentAmount=10, recommend=0, recommendEndTime=null, sticky=0, stickyEndTime=null, allHits=280, appHits=9, showAppHits=0, pcHits=28, showPcHits=271, likes=1, shares=4, comments=0, approvalStatus=1, publishedTime=Wed Nov 06 09:45:00 CST 2024, publishedTimeString=2021-11-10, pcVisible=1, appVisible=1, editorId=0, editor=侠胆医心, waterMark=0, formatted=0, memberCards=[], isPrivilege=0, deleted=0, version=3, createdBy=null, createdName=侠胆医心, createdTime=Mon Nov 04 10:54:00 CST 2024, updatedBy=8538692, updatedName=梅斯话题小助手, updatedTime=Tue Nov 05 16:12:31 CST 2024, courseDetails=[], otherVersionGuiders=[], isGuiderMember=false, ipAttribution=上海, attachmentFileNameList=[AttachmentFileName(sort=1, fileName=nihms-1679871.pdf)])
nihms-1679871.pdf
下载请点击:
评论区 (0)
#插入话题

拓展阅读

DDS: 简单血管结构分类可以预测胰腺神经内分泌肿瘤分级和预后

血管结构性状是评估胰腺神经内分泌肿瘤(PNET)的关键特征。血管结构(VA)可以通过超声(EUS)中的常规多普勒血流来评估,而无需造影剂。本项研究的目的是在EUS中为PNET等级和预后提供简单的VA分类。

GRADE指南:3. 评估证据质量

GRADE工作组 · 2012-11-15